随着美国成功勘探及开发出页岩气,世界各国都兴起了一股研究页岩气的热潮。我国地质资源丰富,但地形条件复杂,不同地域的构造演化、沉积环境以及热演化过程都不相同,使得页岩气的形成过程和富集程度存在较大差异,所以勘探技术仍是页岩气开发过程中的关键因素。通过使用图像分割技术对深层页岩SEM图像进行分割处理,进而为勘探人员提供辅佐信息,有助于提高勘探效率。为了提升分割精度,本文对深层页岩SEM图像分割进行了深入研究。利用图像分割技术可以将干酪根等有机质分割、提取出来,为勘探人员提供其形态信息,从而判断生长状态。同时还可以得到不同组分占比信息,勘探人员可以推测出页岩矿物的发育程度,进而判断页岩气的富集程度。然而通过实验发现,若将计算机视觉领域通用的图像分割模型直接用于深层页岩SEM图像进行分割,最后得到的效果并不理想。因为图像本身为灰度图,不同明暗差异造成目标之间的对比度有差异,这会影响模型提取特征的效果。首先使用灰度图像增强算法对原始图像进行预处理,调节图像整体明暗差异的同时,增强不同分割目标间的对比度。接着引入经典的实例分割模型Mask R-CNN,但因为模型处理目标边缘时分割精度不高,所以借鉴DFN网络的思想改进模型分割分支。改进后的分支融合不同层次特征图作为输入,并用上采样的方式复原图像,有效地提升了模型细节特征还原能力,进而提升分割精度。使用多灰度阈值分割的方式,能够将不同物质从深层页岩SEM图像中分割出来,但黏土与基质矿物颗粒灰度相近,需要采取其他方法。由于黏土往往与有机质生长在一起,这些混合物质在图像中相互交错且有较强的纹理特征,而U-net模型因其良好的纹理特征提取能力而被广泛运用于医学领域。以U-net模型为基础,通过改进训练过程中的损失函数,使用基于空间特征信息的权重来增强边界特征的对比,从而提高U-net区分粘土混合物与基质矿物颗粒的能力,实现获取深层页岩SEM图像中不同物质的占比信息。通过在真实深层页岩SEM图像数据集上实验,验证了改进方法的有效性。通过与未改进模型对比,证明改进方法确实能够提升分割效果,具有一定的实际意义和应用价值。